网红机器狗Spot再进化,智能给自己规划路线,还能自己给自己开门

2023-11-21 17:20

本文主要是介绍网红机器狗Spot再进化,智能给自己规划路线,还能自己给自己开门,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

波士顿动力的Spot机器狗又进化了!

你敢相信,波士顿动力的Spot机器狗又进化了?

当我们还在回顾波士顿动力的人形机器人Atlas是如何出色地完成了跳舞和跑酷时,作为公司的网红之一,Spot机器狗也没有落下前进的脚步。

就在刚刚,波士顿动力发表了一篇博客文章,宣布了Spot 3.0版本的升级。

自2020年5月释出2.0版以来,3.0版本推出了诸多亮点,比如自主动态的重新规划、云端整合,和一些照相技巧:

以及处理推杆门的新能力:

看到这“蠢蠢欲动”的机器狗子们,是不是也有点心痒难耐了,和文摘菌一起来看看吧~ 

Spot 3.0大升级:更新自主性,也能打开推杆门了

其实,自疫情爆发以来,Spot的就业机会逐渐变多。

比如Spot曾在新加坡的公园提醒人们戴口罩,在新西兰放过羊,亦或者是在切尔诺贝利检查核辐射分布情况等等。

也正是在各种场景下的应用,反过来也帮助了Spot发现了自己的问题。 

在3.0版本中,最受瞩目的便是Spot对路线的动态规划。遇到像山路或者是废弃大楼这样的存在大障碍物阻挡的情况,Spot可以自动调整路线,以实现平稳前进。 

而一旦到达目的地,需要采集图像数据时,配置在Spot上的CAM+PTZ相机能够基于场景识别,保证每次从同一角度捕捉到相同的图像。同时,通过计算机视觉技术,机器狗还能找到其中的变化,比如仪表读数和热量读数,然后发送给检查员进行实时监控。 

在后端操作上,通过后方的Spot CAM集成和分屏视图,操作人员可以轻松地远程操作Spot的机械臂。说到机械臂,经过3.0更新后,机械臂终于可以打开推杆门了。要知道,此前Spot的测试中可是一直通过转动门把手开的门,就是这种: 

 

当然,对于整体的任务规划,这只成熟的机器狗会有自己的“想法”了。Spot会对于你所选择的任务,采取最短的路径来完成。

除此之外,Spot也支持云端兼容了。只需要将Spot连接到AWS、Azure、IBM Maximo以及其他具有现有或易于构建的集成系统,这样在任务完成后,Spot就能自动将相关数据上传至系统。

可以看出,这次的更新不仅仅是要让Spot变得更加自主,更是要让Spot在一些具体的、现实的地方更加自主,毕竟去年底波士顿动力被韩国科技巨头现代汽车收购后,就不可避免地需要考虑到商业用途和价值。

波士顿动力:这就是当下最先进的

与3.0版本一起放出的,还有一段现代汽车发布的“工厂安全服务机器人”短视频。这款机器人可以视作专门为工厂安全检查而对Spot进行的改良。

在视频中,我们可以看到这熟悉的六亲不认的步伐,以及协助的自主导航系统:

以及,既然是专门为工厂安全检查研发的,自然还有些其他的功能,比如高温检查: 

或者是门窗检查: 

据了解,该改良版Spot配备了激光雷达和热成像相机,可以针对工厂内部的高危风险区进行扫描,如果发现了异常情况,系统会发送警报,并实时共享图像和数据。 

目前,在现代一家韩国工厂内,已经对该机器人进行了试点应用。 

针对本次更新,波士顿动力Spot首席工程师Zachary Jackowski表示,在官方博文中关于“动态重新规划”的要点解释,可能只有十几个字,但他们需要根据在现场的故障模式,重新设计几乎整个自主系统。

3.0和以前最大的变化在于,此前如果机器人任务范式是一个线性任务,当你带着机器人在一个地形复杂的现场记录路径时,如果道路上存在障碍物,那么机器人的行为就会停止。

“从学术的角度来看,这是最先进的。”

甚至在官方博文中,Spot 3.0被称为“现实世界的传感解决方案(A Sensing Solution for the Real World)”,对此Jackowski说到,对Spot来说,“真实世界“就是发电厂,是电力开关场,是化工厂和汽车厂,当谈论场地的几何问题时,研究团队对这种复杂性已经相当适应了。

“我认为,复杂性的前沿是,你如何在一个繁忙的地方,很多人没有规律地走动时,如何实现这些功能,这是我们正在研究的领域。但可以想见,这是一件多么复杂的工作,在完全实现这项功能前,我们还需要一些时间。除此之外,功能性安全、认证人员探测器,这些都是未解决的问题。”

如今,Spot可以打开推杆门了,但你是否想过,打开推杆门似乎比打开带把手的门更容易?但对于工程师来说,他们总是希望早点攻克更难一点的问题。

随着Spot 3.0的发布,Spot的未来似乎也越来越可期了,是吧?

相关报道:

https://blog.bostondynamics.com/spot-release-3.0-flexible-autonomy-and-repeatable-data-capture 

https://spectrum.ieee.org/boston-dynamics-spot-30 

https://www.youtube.com/watch?v=TTAJDICCll8&t=44s 

本文来自微信公众号 “大数据文摘”(ID:BigDataDigest),作者:Caleb

这篇关于网红机器狗Spot再进化,智能给自己规划路线,还能自己给自己开门的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/403873

相关文章

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

动态规划---打家劫舍

题目: 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个房屋存放金额的非负整数数组,计算你 不触动警报装置的情况下 ,一夜之内能够偷窃到的最高金额。 思路: 动态规划五部曲: 1.确定dp数组及含义 dp数组是一维数组,dp[i]代表

让树莓派智能语音助手实现定时提醒功能

最初的时候是想直接在rasa 的chatbot上实现,因为rasa本身是带有remindschedule模块的。不过经过一番折腾后,忽然发现,chatbot上实现的定时,语音助手不一定会有响应。因为,我目前语音助手的代码设置了长时间无应答会结束对话,这样一来,chatbot定时提醒的触发就不会被语音助手获悉。那怎么让语音助手也具有定时提醒功能呢? 我最后选择的方法是用threading.Time

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

软考系统规划与管理师考试证书含金量高吗?

2024年软考系统规划与管理师考试报名时间节点: 报名时间:2024年上半年软考将于3月中旬陆续开始报名 考试时间:上半年5月25日到28日,下半年11月9日到12日 分数线:所有科目成绩均须达到45分以上(包括45分)方可通过考试 成绩查询:可在“中国计算机技术职业资格网”上查询软考成绩 出成绩时间:预计在11月左右 证书领取时间:一般在考试成绩公布后3~4个月,各地领取时间有所不同

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

poj 2976 分数规划二分贪心(部分对总体的贡献度) poj 3111

poj 2976: 题意: 在n场考试中,每场考试共有b题,答对的题目有a题。 允许去掉k场考试,求能达到的最高正确率是多少。 解析: 假设已知准确率为x,则每场考试对于准确率的贡献值为: a - b * x,将贡献值大的排序排在前面舍弃掉后k个。 然后二分x就行了。 代码: #include <iostream>#include <cstdio>#incl

智能交通(二)——Spinger特刊推荐

特刊征稿 01  期刊名称: Autonomous Intelligent Systems  特刊名称: Understanding the Policy Shift  with the Digital Twins in Smart  Transportation and Mobility 截止时间: 开放提交:2024年1月20日 提交截止日

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

基于 YOLOv5 的积水检测系统:打造高效智能的智慧城市应用

在城市发展中,积水问题日益严重,特别是在大雨过后,积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术,我们能够智能化地检测和识别积水区域,减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统,结合深度学习和直观的图形界面,为用户提供高效的解决方案。 源码地址: PyQt5+YoloV5 实现积水检测系统 预览: 项目背景